2015 年 2 月，斯坦福大学元科学研究者 John Ioannidis 在《美国医学会杂志》(JAMA) 上发表了一篇题为「隐身研究」的评论。他写道，一家估值 90 亿美元的硅谷血液检测公司 Theranos 正在颠覆诊断行业——但这家公司从来没有在任何同行评审期刊上发表过关于其技术的研究。一年后，Theranos 被证实基于欺诈数据。
十一年后，Ioannidis 将同样的方法论转向了 AI 行业。7 月 16 日，他的团队在 bioRxiv 上发布预印本，以 1998 年至 2025 年间存在过的 317 家 AI 独角兽为样本，进行了文献计量分析。按研究的作者身份和出版物筛选口径：超过半数（52.4%）的公司，未发现由员工担任第一作者或通讯作者的论文或预印本。2025 年，这些公司合计仅贡献了全球 AI 文献的千分之一。
Science 杂志于 7 月 27 日以深度报道形式披露了这项研究，并在 7 月 29 日更新。在 AI 企业持续扩大投入的背景下，这项结果引出了公开证据是否足以支持能力主张的讨论。
检索到的论文和引用集中在少数公司
Ioannidis 团队从 CB Insights 和 Crunchbase 等数据库中确定曾达到独角兽估值的 AI 公司样本，再检索员工以第一或通讯作者身份参与的期刊论文、会议论文、综述和预印本，以此界定本研究的主要作者贡献口径。最终数据集包含 2077 篇合格出版物，其中 1389 篇为同行评审论文，688 篇为预印本。
论文和引用分布高度集中：
- 前 10% 的公司占据了 96.8% 的引用，前 5% 的公司占据了超过 90%；
- OpenAI 一家就贡献了数据集中近 40% 的引用，其次是中国计算机视觉公司旷视科技（Megvii）和平台 Hugging Face；
- 134 篇公司归属的高引用论文（≥200 次引用）中，仅 3 家公司就占了 92 篇；
- OpenAI 约有 4500 名员工，但只有 8 名研究人员曾以主要作者身份发表过 5 篇或以上的合格论文。
公司估值与发表生产力或高引用产出之间没有显著关联。融资额与发表量仅存在弱相关。换言之，市场上最值钱的 AI 公司，并不一定在本研究统计的出版物与引用指标上领先。
部分公司更常通过博客、代码和权重发布成果
多位受访研究者指出，商业激励和发布渠道差异可能影响发表数量，不能只将结果解释为公司不愿公开。
阿肯色大学的 AI 研究者 Nur Ahmed 指出，与制药行业不同——在制药业，发表的发现可以通过专利获得保护——AI 公司公开发表技术进展后往往得不到什么实际利益。Google 2017 年那篇奠定了当代大语言模型架构的 Transformer 论文被受访者用作讨论商业回报的例子：虽然 Google 对相关技术申请了专利，阿尔伯塔大学 AI 伦理学家 Mohamed Abdalla 评论道：「我觉得没人在为此付钱给 Google。」
Hugging Face 的 AI 政策研究员 Avijit Ghosh 将这一现象称为研究的「博客化」（blogification）：公司通过博客文章和技术报告发布新模型、代码和数据集，而非经过同行评审的期刊。这种方式更匹配 AI 公司的迭代节奏——学术同行评审可能需要数月甚至数年。Ioannidis 团队的文献检索未覆盖全部公开成果，例如博客、未纳入检索的技术报告、代码仓库和模型权重发布。
Abdalla 的表述更为直白：「公司的任务不是推进科学，公司的任务是赚钱。」
公开渠道不同，仍需提供足够材料供外部检验
Ghosh 认为，辩论的核心不应是期刊和博客的二选一，而在于公司是否释放了足够多的代码、数据集或模型权重，以便其他人独立验证和复现其工作。
同行评审提供了额外审查环节，可以要求研究者交代方法、局限和边界条件，但也不能保证每项结果都已复现。博客或权重发布能否支持检验，同样取决于配套材料是否完整。Ioannidis 在采访中的原话指向了这个核心问题：「对于一个据称正在重塑科学、科学潜力如此先进的领域，没有任何科学文献记录，这看起来是一个非常奇怪的悖论。你怎么判断他们说的是真的、经过验证的、可复现的？」
加州大学伯克利分校的计算机科学家 Emma Pierson 则从另一个角度表达了担忧：无论开放还是封闭，快速推进越来越强大的通用 AI 模型本身就存在风险——可能加速网络攻击等社会危害。在她看来，行业需要的不是更多博客文章，而是更有力的安全评估和外部审查机制。
样本中中国公司发表更多，原因尚待研究
预印本发现，中国 AI 公司的发表量持续高于美国同行。报道将这一差异与不同公司的开放策略联系讨论，但尚未确认因果关系。Science 报道指出，美国前沿实验室越来越多地对最强模型的技术细节保密或「闭源」，而中国领先公司则选择了开源路径。
最典型的例子是 Moonshot AI（月之暗面）。该公司最近发布了 Kimi K3——拥有 2.8 万亿参数的开放权重模型，性能接近 Anthropic 的前沿模型 Fable，并于 7 月 30 日通过 Hugging Face 公开发布模型权重。Moonshot 由阿里巴巴和腾讯重金支持，已迅速跻身中国生成式 AI 生态系统的第一梯队。
不过，预印本强调中美发表差异需要更多研究来确认因果关系。发表更多不必然意味着研究更透明；论文的质量、完整性和可复现性同样关键。
论文统计提示审查需求，也有未覆盖的公开渠道
这项研究的结论——AI 独角兽在正式科学传播中的参与度「可以忽略不计」——不应被简化为「AI 公司不写论文」这个标题。更深层的问题是：当最先进 AI 系统的能力和局限性只能通过公司自我报告来了解时，外部研究者、监管者和公众就更难独立评估这些系统。
Ioannidis 以 Theranos 提醒人们关注证据不足的风险：「隐身研究制造了完全的模糊性」。缺少足够公开材料时，外界更难区分有证据支持的创意、企业宣传和媒体炒作；这项论文统计本身并未判断 AI 公司是否存在欺诈。
当前 AI 政策讨论中的多项关键争议——从训练数据版权到模型安全评估到能耗透明度——都需要以可核查的证据为基础。如果行业最有价值的公司系统性地缺席学术文献体系，这些讨论将继续在信息不完整的条件下进行。
研究本身也有局限：预印本尚未经过同行评审，统计范围未覆盖博客、部分技术报告和开源发布等其他渠道，而这些正是当前 AI 行业最活跃的知识传播渠道。但研究的价值恰恰在于它量化了一个此前只有直觉和轶闻的问题——并为如何评价 AI 企业的公开证据提供了一个起点。
